Cornell University（康奈尔大学）

Sharpen Your Flow: Sharpness-Aware Sampling for Flow Matching

提升流：用于流匹配的锐度感知采样

Aditi Gupta, Soon Hoe Lim, Annan Yu, N. Benjamin Erichson

机构 * Lawrence Berkeley National Laboratory（伯克利国家实验室） ； International Computer Science Institute（国际计算机科学研究所） ； Department of Mathematics, KTH Royal Institute of Technology（皇家理工学院数学系） ； Nordita, KTH Royal Institute of Technology and Stockholm University（KTH皇家理工学院与斯德哥尔摩大学联合研究所） ； Center for Applied Mathematics, Cornell University（康奈尔大学应用数学中心） 纠错

AI总结 本文提出SharpEuler，一种无需训练的采样器，通过预训练模型离线分析校准轨迹上学习速度场变化最快的位置，生成时间步网格以优化生成效率，提升样本质量。

DisagMoE: Computation-Communication overlapped MoE Training via Disaggregated AF-Pipe Parallelism

DisagMoE：通过解耦的AF-Pipe并行性实现计算-通信重叠的MoE训练

Zhichen Zeng, Chi-Chih Chang, Jiayi Wang, Zezhou Wang, Ningxin Zheng, Zheng Zhong, Cesar A. Stuardo, Dongyang Wang, Mohamed S. Abdelfattah, Haibin Lin, Banghua Zhu, Ang Li, Ziheng Jiang

机构 * University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） 纠错

AI总结 DisagMoE通过解耦注意力与FFN层，优化模型放置与调度，提升MoE训练效率，实验显示在16节点8xH800集群上实现1.8倍加速。

One Operator for Many Densities: Amortized Approximation of Conditioning by Neural Operators

一个算子用于多种密度：通过神经算子实现条件化的消融近似

Panos Tsimpos, Edoardo Calvello, Ayoub Belhadji, Nicholas H. Nelsen

机构 * Operations Research Center（运筹学研究中心） ； Massachusetts Institute of Technology（麻省理工学院） ； Department of Computing and Mathematical Sciences（计算与数学科学系） ； California Institute of Technology（加州理工学院） ； Laboratory for Information and Decision Systems（信息与决策系统实验室） ； Center for Computational Science and Engineering（计算科学与工程中心） ； Department of Mathematics（数学系） ； Cornell University（康奈尔大学） ； Oden Institute for Computational Engineering and Sciences（计算工程与科学学院） 纠错

AI总结 本文提出通过神经算子近似条件化算子，解决概率条件化问题，展示了其在高斯混合模型中的应用，为概率条件化提供了理论基础。

Comments 27 pages (10 main text, 14 appendix, and 3 references pages), 2 figures, 2 tables

Joint Learning of Hierarchical Neural Options and Abstract World Model

层级神经选项与抽象世界模型的联合学习

Wasu Top Piriyakulkij, Wolfgang Lehrach, Kevin Ellis, Kevin Murphy

机构 * Cornell University（康奈尔大学） ； Google Deepmind（谷歌DeepMind） 纠错

AI总结 本文提出AgentOWL方法，通过高效样本学习抽象世界模型和层级神经选项，使智能体在Object-Centric Ataris游戏中以更少数据学习更多技能。